PROBABILIDAD

El comportamiento de la variable hidrometeorolgica como la precipitacin, temperatura del aire, descargas, etc. en la naturaleza son aleatorios especialmente las variables extremas (mximas o mnimas), el medio adecuado para estudiar las variables aleatorias es a travs de la teora de probabilidades.

PROBABILIDAD
Fenmeno aleatorio Es aquel fenmeno que bajo las mismas condiciones experimentales se presentan ms de una manera o tambin se le denomina fenmeno que sucede al azar. En el lenguaje de probabilidades las palabras: fenmeno, suceso, experimento, observacin o dato son trminos que se usan indistintamente. Por ejemplo todas las variables hidrolgicas como las precipitaciones, descargas, etc. son consideradas como fenmenos o sucesos aleatorios, porque se consideran como sucesos al azar. La palabra aleatoria deriva del Latn alea lo cual significa suerte o azar. El azar hace que algunas cosas ocurran de manera fortuita e impredecible. Los fenmenos aleatorios se estudian a travs de la ley de probabilidades (posibilidades).

PROBABILIDAD
Espacio muestral

Es el conjunto de todas las ocurrencias o resultados posibles de un experimento aleatorio, se denota por S. En un experimento aleatorio no es posible predecir con anticipacin el resultado, pero si es posible conocer el conjunto de todos los resultados posibles, llamado especio muestral.

PROBABILIDAD
Eventos.

Es un subconjunto del espacio muestral, evento tambin se puede definir como la coleccin de puntos o subconjuntos en un espacio muestral que tienen caractersticas comunes. Por ejemplo un evento A puede ser la ocurrencia de una descarga mxima instantnea anual menor de del rio Querococha.

Probabilidad de un evento
Un experimento se debe describir a travs de un modelo (ecuacin matemtica), para lo cual se requiere asignar alguna medida de cuantificacin que represente la posibilidad o probabilidad de que ese evento ocurra, esta medida es la probabilidad. Si una muestra de n observaciones (datos) tiene valores en el rango del evento A, entonces la frecuencia relativa es de A es:

Variable aleatoria y distribuciones. Esperanza matemtica y momentos de las distribuciones

En una muestra es importante describir las curvas de frecuencias mediante las estadsticas, de igual manera en el estudio de la variable aleatoria la descripcin de la distribucin de probabilidades (curva que describe la poblacin) se realiza a travs de los parmetros que se estiman como por ejemplo mediante la esperanza matemtica o momentos de la distribucin de probabilidades.

Variables aleatorias y distribuciones

Para entender la definicin de la variable aleatoria analicemos un ejemplo que no es de hidrologa pero que permite definir el concepto de variable aleatoria. Ejemplo Si X es la variable aleatoria definida como la suma de los nmeros al lanzar dos dados no sesgados. Hallar la probabilidad para los valores de la variable aleatoria y graficar las probabilidades.

Solucin
En el experimento del lanzamiento de dos dados se tienen, los resultados posibles siguientes (elementos del espacio muestral), donde el primer nmero de cada par indica el nmero que aparecera en el primer dado y el segundo nmero indica el que aparecera en el segundo dado, es importante indicar que los dados son distintos o bien que se lanzan en ese orden. En este caso la variable aleatoria puede tomar cualquier valor entero entre 2 y 12 y su probabilidad est dada por el nmero de resultados posibles entre el tamao del espacio muestral, los cuales se muestran en los cuadros N3.1 y N3.2 y en las figura N3.1.

RESULTADOS POSIBLES DEL EJEMPLO

1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6

3,1 3,2 3,3 3,4 3,5 3,6

4,1 4,2 4,3 4,4 4,5 4,6

5,1 5,2 5,3 5,4 5,5 5,6

6,1 6,2 6,3 6,4 6,5 6,6

LEY DE PROBABILIDADES DEL EJEMPLO

RESULTADO VARIABLE ALEATORIA X PROBABILIDAD

(1,1) (1,2), (2,1)

(1,3), (2,2), (3,1) (1,4), (2,3), (3,2), (4,1) (1,5), (2,4), (3,3), (4,2), (5,1) (1,6), (2,5), (3,4), (4,3), (5,2), (6,1) (2,6), (3,5), (4,4), (5,3), (6,2) (3,6), (4,5), (5,4), (6,3) (4,6), (5,5), (6,4) (5,6), (6,5) (6,6)

2 3
4 5 6 7 8 9 10 11 12

P(x=2)=1/36 P(x=3)=2/36
P(x=4)=3/36 P(x=5)=4/36 P(x=6)=5/36 P(x=7)=6/36 P(x=8)=5/36 P(x=9)=4/36 P(x=10)=3/36 P(x=11)=2/36 P(X=12)=1/36

RESULTADO DEL GRAFICO

VARIABLE ALEATORIA

La definicin terica de la variable aleatoria no es adecuada porque se define como una funcin sobre los elementos del espacio muestral, sin embargo se le denomina variable, esta definicin como variable aleatoria a una funcin se conserva debido a que los valores que puede tomar (variable aleatoria) dependen del resultado del experimento es decir dependen del azar.

VARIABLE ALEATORIA

Por consiguiente una variable aleatoria se puede definir como una funcin X sobre un espacio muestral que asocia un nmero real o valor a esta variable con cada elemento del espacio muestral, por tanto la variable aleatoria es una variable numrica cuyo valor no puede predecirse antes de un experimento u observacin.

Variable aleatoria discreta

Son las variables aleatorias que tienen un nmero finito o infinito contable de valores posibles (resultados del experimento), los valores de los resultados de la variable aleatoria discreta son nmeros enteros positivos 0,1,2,... Funcin discreta masa de probabilidades (FMP) Es la ley de probabilidades o la ley de distribucin de probabilidades de una variable aleatoria discreta y se representa por:
p x p X x

Distribucin acumulada discreta Esta funcin representa la probabilidad del suceso de que la variable aleatoria tome valores menores o iguales a x. En el caso de variables aleatorias discretas esta funcin es la suma de los valores de la funcin masa de probabilidades sobre los valores menores o iguales a x de la variable aleatoria X, lo cual matemticamente se representa por:
F x P X x p xi
xi x

Distribucin acumulada discreta Esta funcin representa la probabilidad del suceso de que la variable aleatoria tome valores menores o iguales a x. En el caso de variables aleatorias discretas esta funcin es la suma de los valores de la funcin masa de probabilidades sobre los valores menores o iguales a x de la variable aleatoria X, lo cual matemticamente se representa por:
F x P X x p xi
xi x

Variable aleatoria continua

Las variables continuas aparecen cuando se hacen mediciones en una escala continua como por ejemplo las mediciones de descarga, precipitacin, etc., este tipo de variables tienen una probabilidad cero de tomar exactamente cualquiera de sus valores y su distribucin de probabilidad no se puede presentar en forma de tablas. Por tanto se trabaja con intervalos en vez de trabajar con datos puntuales como en el caso de las variables aleatorias discretas.

Esperanza matemtica
Si X es la variable aleatoria la esperanza matemtica, la media, o el valor esperado son trminos sinnimos, por consiguiente si queremos hallar la esperanza matemtica de una variable aleatoria en la prctica estamos hallando el promedio de la variable aleatoria (en el eje x) y como la variable aleatoria se describe mediante las distribuciones de probabilidad la esperanza matemtica se halla o se estima a partir de las funciones de distribucin que son funcin masa discreta de probabilidades o funcin de densidad de probabilidades, dependiendo del tipo de variable aleatoria si es discreto o continuo.

Momentos de la distribucin de una variable aleatoria

Son las esperanzas matemticas de una variable aleatoria, las distribuciones de la variable aleatoria representan ecuaciones o modelos que relacionan la funcin de densidad de probabilidades o la funcin discreta masa de probabilidades con la variable aleatoria, cualquiera de estas ecuaciones o modelos o distribuciones de probabilidad es graficada en un eje de coordenadas, trazando en el eje ordenadas o y en el eje de abscisas el valor de la variable aleatoria

Modelos probabilsticos o distribuciones de probabilidades

El modelo probabilstico explica el comportamiento del espacio muestral y a cada uno de los resultados (eventos) se asocia con una probabilidad de ocurrencia, mediante el uso de funciones de probabilidad (funcin masa de probabilidades o funcin de densidad de probabilidades). Existen dos tipos de modelos de probabilidad: modelos probabilsticas discretos y modelos probabilsticas continuos.

Modelos Probabilsticos Discretos

Estos modelos describen el comportamiento probabilstico de variables aleatorias discretas, en un experimento aleatorio no es posible conocer anticipadamente con certeza el resultado final, pero sin embargo es factible conocer todos los resultados posibles que puede tener la realizacin del experimento de eventos mutuamente excluyentes y colectivamente exhaustivos (resultados contables). Los modelos probabilsticos discretos usados en la hidrologa son: distribucin Bernoulli, binomial, geomtrica, binomial negativa y de Poisson.

Modelos probabilsticas continuos

Los modelos probabilsticos comnmente usados en la hidrologa son: normal, logartmico normal, exponencial, Gamma, Pearson III y Gumbel.

IV

MODELOS PROBABILISTICOS DISCRETOS USADOS EN LA HIDROLOGIA

BERNOULLI

BINOMIAL

GEOMETRICA

BINOMIAL NEGATIVA

P0ISSON

P x 0 1 p

IV

MODELOS PROBABILISTICOS CONTINUOS USADOS EN LA HIDROLOGIA

NORMAL

LOGNORMAL

EXPONENCIAL

GAMMA

PEARSON III

GUMBEL

Distribucin normal

Distribucin normal estanadar

Distribucin normal estanadar

FIGURA N 4.3.3 FUNCION DENSIDAD DE LA VARIABLE NORMAL ESTANDAR

0.50

0.40

0.30
f(x)

0.20

0.10

0.00 -5 -4 -3 -2 -1 0 1 2 3 4 5

Distribucin normal estanadar

Distribucin normal estanadar

Estimacin de parmetros de las distribuciones

La interpretacin del comportamiento de las variables aleatorias se realiza mediante los modelos o distribuciones de probabilidad. En la hidrologa es necesario definir un modelo probabilstica adecuado para un conjunto de datos (muestra) y para definir el modelo adecuado se estiman el o los parmetros del modelo (distribuciones).

Estimacin de parmetros de las distribuciones

Mtodo de momentos
Este mtodo est basado en la consideracin de que los momentos de la muestra (datos) son buenos estimadores de los momentos de la poblacin. Como se ha indicado el comportamiento casustico de la poblacin se explica mediante los modelos de probabilidad que son la funcin masa de probabilidad o funcin densidad de probabilidades

Mtodo de momentos

Mtodo de momentos

Mtodo de momentos

Mtodo de momentos

Mtodo de momentos
El nmero de parmetros a estimar por el mtodo de momentos depende del nmero de parmetros del modelo probabilstico, es decir para estimar los parmetros se forman un sistema de ecuaciones igualando los momentos del modelo probabilstico respectivo con los estimadores calculados de la muestra. El nmero de ecuaciones es igual al nmero de parmetros del modelo.

Mtodo de mxima verosimilitud

Segn los estadsticos es uno de los mejores mtodos para estimar el parmetro puntual, por esta razn se le llama el mtodo de mxima credibilidad o de mxima verosimilitud

Mtodo de mxima verosimilitud Caso de distribuciones continuas

Mtodo de mxima verosimilitud Caso de distribuciones discretas

Seleccin de modelos probabilsticos adecuados

La aplicacin de la estadstica y de las leyes de las distribuciones especialmente en el caso de eventos extremos consiste en buscar el o los modelos probabilsticos adecuados para un conjunto de datos (muestra). Para seleccionar el modelo o los modelos de distribucin adecuado para la muestra primeramente es necesario asumir cualquiera de las distribuciones que se ha estudiado en el captulo IV, luego se estiman los parmetros del modelo. Con los parmetros del modelo se estiman los valores de la variable aleatoria ajustados al modelo para una determinada probabilidad. Los valores ajustados al modelo sirven para hacer la seleccin del modelo adecuado mediante los mtodos: grficos y estadsticos

FUNCIONES DE DENSIDAD EMPIRICA, TEORICAS

MARCA DE CLASE FRECUENCIA ABSOLUTA FRECUENCIA RELATIVA FRECUENCIA ABSOLUTA ACUMULADA FRECUENCIA RELATIVA ACUMULADA

(3) 3.30 4.66

(4) 0.00 3.00

(5) 0 0.10

(6) 0 3

(7) 0 0.10

fe EMPRIRICO 0 0.076

f(x) NORMAL 0.011 0.054

f(x) EXPONENCIAL 0.085 0.071

6.02
7.38 8.74 10.10 11.46

7.00
7.00 8.00 4.00 0.00

0.24
0.24 0.28 0.14 0.00

10
17 25 29

0.34
0.59 0.86 1.00

0.177
0.177 0.203 0.101 0.000

0.145
0.220 0.187 0.089 0.024

0.059
0.050 0.042 0.035 0.029

FUNCIONES DE DENSIDAD EMPIRICA, TEORICAS

FIGURA N 6.1 FUNCION DE DENSIDAD EMPIRICA, DISTRIBUCION NORMAL Y DISTRIBUCION EXPONENCIAL DEL RIO QUEROCOCHA

0.25

0.2

FUNCIONES DE DENSIDAD

0.15
fe EMPRIRICO f(x) NORMAL f(x) EXPONENCIAL

0.1

0.05

0
0 2 4 6 8 10
DESCARGAS /M3/SEG)

12

Distribucin chi-cuadrado